【DL輪読会】"Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware"

Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware Koki Yamane, University of Tsukuba 1

書誌情報 題名 Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware 著者 Tony Z. Zhao (1) Vikash Kumar (3) Sergey Levine (2) Chelsea Finn (1) 所属 (1) Stanford University (2) UC Berkeley (3) Meta 会議 概要 2023/7/14 RSS 2023  ロボット模倣学習で高精度動作を行うには教示データのばらつきが課題  Transformerを用いたCVAEによる行動シーケンス生成モデル「ACT」を提案 2

概要 模倣学習により低コストのロボットで高精度のタスクを実現 2023/7/14 3

ALOHA：A Low-cost Open-source Hardware System for Bimanual Teleoperation 低コストの双腕遠隔操作ハードウェアを提案 2023/7/14 4

Action Chunking with Transformers (ACT) Transformerを用いたCVAEで現在の状態から次の数ステップの行動を予測 動作のスタイルを表す潜在変数 （操作者による癖などを表現） 次の１ステップではなく 次の数ステップの行動を同時に予測 ４つのカメラの画像と各関節の角度を入力 2023/7/14 自律動作時の潜在変数は０ 5

Action Chunking with Transformers (ACT) Transformerを用いたCVAEで現在の状態から次の数ステップの行動を予測  Action Chunking  次の数ステップをまとめて予測  一連の動作をまとめて扱う  非マルコフ性に対応  １ステップごとの生成では，一時停止と 終了時の停止を見分けるのが難しい  Temporal Ensembling  チャンクを毎ステップ出力し加重平 均を取ることで滑らかにつなぐ  チャンクの境目で急な動作になるの を防ぐ 2023/7/14 6

実験  ８つのタスクで検証  シミュレーション２，実機６  教示データ     2023/7/14 各50回 １エピソード８～１４秒 所要時間30分～60分 50Hz 7

実験結果 全てのタスクでベースラインを上回る成功率を達成 2023/7/14 8

Ablations 予測するチャンクのステップ数を比較  シミュレーションタスクで検証  全ての手法でチャンクで性能向上  100ステップで最高性能  長く予測しすぎると性能が落ちる  適応的な動作がしにくくなる？ 2023/7/14 9

Ablations Temporal Ensemblingの効果を検証  提案手法では3.3%の成功率上昇  BC-ConvMLPでも成功率上昇  VINNでは20%の成功率減少  VINNは画像特徴量をNearest neighbor法で動作に対応付ける  ノンパラメトリックな手法ではむし ろ悪影響 2023/7/14 10

Ablations CVAEの効果を検証  シミュレーションタスクで検証  プログラムで生成したデータから の学習ではほとんど変化なし  人間が操作した教示データからの 学習では33.3%の成功率上昇 2023/7/14 11

まとめ  模倣学習では教示データに一貫性がない場合にうまく学習できない  CVAEの潜在変数で動作の特徴を表現し，ばらつきのある動作から学習  数ステップまとめて予測することにより非マルコフ性を伴う動作に対応  実機を含む8つのタスクでベースラインを超える成功率を達成  感想  データのばらつきに対して入力に潜在変数を加えて対応している点が興味深い  Transformerで連続信号の生成をする場合，値の急激な変化は問題にならないのか  Temporal Ensemblingなしでもある程度成功している 2023/7/14 12